通义千问首发混合推理模型Qwen3！推理大模型第一宝座该让座了？

大家好，我是喜欢研究AI的一枚产品经理，平时主要从事新能源汽车智能座舱、AI大模型应用等相关工作。另外，我超爱自驾游~

导语：

今天凌晨5点，阿里通义千问团队发布了全球首个“混合推理模型”Qwen3。并且，一口气发了8个模型，包括：2个MoE模型，和6个Dense密集模型。

※大家可能对于这次命名有些疑问，解释下：Qwen3就是这次模型的版本，-xxB代表总参数量，-AxxB代表具体模型的激活参数量。

01 | Qwen3，究竟牛在哪？

我们提到推理模型，尤其是国内，大家公认的，或者认知度最高的可能就是DeepSeek的R1模型了，对吧。甚至，很多人，就是把它排在第一位。

但是，现在，第一的宝座，至少国内推理模型第一的宝座，可能（暂时）要换位了，新王就是Qwen3发布的这一众模型中的王中王→Qwen3-235B-A22B。

而且，不同于之前刚发布的QwQ-32B等模型，这次阿里通义千问团队，相对来说也是比较高调的宣传新模型，看来的确有点东西。

先总的概述下，这次阿里通义千问发布的Qwen3到底牛在哪？

1. 从全方位的评分对比看，Qwen3这次综合实力世界第一梯队毋庸置疑！
2. Qwen3是第一个混合推理模型（推理和对话自动灵活调用）
3. 一口气发了8个模型，覆盖手机、PC、云端等多设备应用场景
4. 成本进一步大幅下降，235B满血版大概仅为DeepSeek R1的三分之一
5. 支持Apache2.0和MCP协议，全部开源
6. 支持119种语言（之前的Qwen2.5仅支持29种语言）
7. 支持Agent能力，并且接下来重点提升的就是Agent能力

就从上面这7点看，就问大家牛不牛！

02 | 展开聊聊Qwen3，到底牛在哪？

首先，你可以在官网快速体验 https://chat.qwen.ai/

左上角默认就是最新的235B模型，你也可以下拉选择其他模型体验。

然后，对话框左下角可以手动选择思考长度。就是可以理解为，你可以手动设置它的“IQ值”，是不是有点意思。

再然后，通过上面两个评分对比图，可以看到几个比较有意思的结论：

1. 这次发布的小模型Qwen3-4B，比上次的QwQ-23B，能力旗鼓相当
2. 满血版235B与世界上主流顶级模型相比，综合能力旗鼓相当
3. 而235B的参数量远低于其他模型，即使对比国内的DeepSeekR1，成本也仅为R1的三分之一！

对比当前DeepSeek R1-671B满血版，详细来看：

• R1的总参数是6710亿，激活参数是370亿
• Qwen3-235B-A22B的总参数是2350亿，激活参数是220亿

那么大模型的总参数和激活参数又是什么意思呢？在实际应用中又有什么作用呢？是如何工作的呢？

在大模型中，总参数和激活参数是两个重要的概念，它们在模型的设计和运行中扮演着不同的角色。

1. 总参数

总参数是指模型中所有可学习参数的总和，包括权重和偏置等。这些参数在训练过程中会被调整，以使模型能够学习到输入数据与输出数据之间的映射关系。总参数的数量通常反映了模型的容量和复杂度，参数越多，模型理论上能够学习到的模式就越复杂。

2. 激活参数

激活参数是指在模型的前向传播过程中，实际参与计算的参数数量。在某些架构（如MoE，即Mixture of Experts）中，模型会根据输入动态选择一部分参数进行计算，而不是每次都使用全部参数。这种方式可以显著降低计算成本，同时保持模型的高性能。

3. 区别

3-1. 参与计算的程度：

• 总参数是模型中所有参数的总和，无论是否参与每次的具体计算。

• 激活参数是实际参与每次计算的参数，数量通常少于总参数。

3-2. 对计算资源的影响：

• 总参数决定了模型的最大潜在计算需求。

• 激活参数直接影响每次计算的实际资源消耗。

3-3. 架构依赖性：

• 总参数是模型设计的固有属性。

• 激活参数的数量和选择方式依赖于具体的模型架构（如MoE）。

通过合理设计激活参数的机制，可以在保持模型高性能的同时，显著降低计算成本。因此，再结合上面的评分对比，就可以看出，Qwen3用了更低的参数量就实现了，甚至部分超越了R1的能力。因此，Qwen3在实际部署应用中，尤其是对于部署成本上，约等于用了R1的三分之一的投入，就实现了其百分百的能力！

这么说，可能大家体感不强，我再举个例子。

DeepSeek刚火的一个月，相信很多朋友都本地部署过DS的小模型对吧，尤其是在笔记本上部个7B或8B的模型。我就我自己的在8G内存、M1版的MacBook Air上部了一个7B模型，实际体验就是，整个笔记本卡的几乎无法使用。一个简单问题，卡老半天，稍微动一下电脑就卡死，更别说问复杂问题了。

大家知道这是为什么吗？

这是因为DS的小模型使用的不是MoE架构，它大概率用的就是Dense稠密模型，而且还不支持混合推理能力。意思就是说，你的每个问题，不论是简单的还是复杂的，模型会调用全参数量进行计算。所以本就在资源极限的前提下运行，当然会直接爆显存和内存。

而MoE的优点，就是它会根据具体问题，动态分析和分配“子网络”，动态调用和激活相应的参数进行计算即可，无需每次全负荷计算。

而对于Dense模型来说，Qwen3也因为具备了混合推理能力，它能够根据输入的问题，灵活判断是调用推理计算，还是直接简单计算后输出。

就类似于你问DeepSeek一个问题，需要手动选择R1推理模型还是V3对话模型。而在Qwen3中，你不用手动选择，它会自动根据你的输入，判断并选择调用哪个逻辑输出更优。

或者，你也可以在问题中直接说“仔细思考后回答”、“不用深度思考，直接给我答案”，类似这样的话术，也会触发Qwen3在推理和对话模型之间的选用，而不用手动设置开关。

所以，正是因为Qwen3这次的混合推理能力，使得它的实际体验会更好。同理，如果还是在我的MacBook Air上极限部署Qwen3小模型，当我问一个简单的问题时，因为它能够自动判断仅需调用简单参数参与计算，即可精准快速回答我的问题，而无需调用推理模型，所以实际体验会优于，同样极限部署下的DS小模型的体验。

03 | 让Qwen和DeepSeek，分别聊聊它俩的能力对比情况

最后呢，我直接调用Qwen3-235B-A22B和DeepSeek R1满血版，让它俩分别对比下它们之间的能力差异，看看它俩的回答是怎样的。

问题：“请对比下Qwen3-235B-A22B和DeepSeek R1-671B的差异性和优缺点，言简意赅抓重点概述，表格形式输出”

• Qwen3结论：

总结：

Qwen3-235B-A22B ：适合追求高性价比、中文场景及快速商业化的用户，兼顾大模型性能与小模型成本。

DeepSeek R1-671B ：面向对超大规模参数和复杂任务有极致需求的研究机构或技术团队，但需承担更高算力开销。

• DeepSeek结论：

总结：

Qwen3-235B-A22B凭借更优的性价比、混合推理创新和灵活的部署能力，成为企业级应用的首选；而DeepSeek R1-671B在极限知识覆盖和创造性突破方面仍有不可替代性，但需承担极高的部署成本和不可控风险。两者分别代表了当前开源大模型的实用化标杆与科研探索极限。

怎么样，以上Qwen和DS各自的分析对比和总结，大家觉得如何？是否客观合理，你是否还有什么要补充的？欢迎一起交流讨论

※ 原文链接 →「链接」

35岁+｜AI产品经理｜智能座舱产品经理｜奶爸｜自驾游爱好者｜科技数码爱好者｜给自己打工！

✏️体验分享AI前沿技术和产品｜记录分享个人生活和趣事｜情绪价值传播｜链接同行者！